Optimización en Microsoft Foundry

El ajuste fino adapta un modelo preentrenado a tu tarea mediante un entrenamiento adicional con datos específicos de la misma. Ajusta los pesos del modelo en lugar de agregar ejemplos a cada mensaje. Puede aprovechar las funcionalidades existentes del modelo sin entrenar un modelo desde cero.

El ajuste fino puede ayudar cuando tiene datos de entrenamiento específicos de tareas y de alta calidad y desea:

• Mejorar la precisión y la relevancia. El entrenamiento con más ejemplos de los que caben en una indicación puede enseñar patrones específicos de la tarea.
• Reducir la sobrecarga de las indicaciones. Un menor número de ejemplos en las indicaciones puede reducir los costes de tokens y la latencia.
• Alinear estilo y estructura. Las respuestas pueden seguir un tono, un formato o un esquema coherentes.
• Mejorar el uso de las herramientas. Los ejemplos de entrenamiento pueden mejorar la selección de herramientas y la precisión de los argumentos.
• Utilizar el contexto recuperado de forma eficaz. Los modelos pueden aprender a priorizar el contexto pertinente y omitir la información irrelevante.
• Especializar un modelo más pequeño. Los ejemplos generados por el formador pueden ayudar a que un modelo más pequeño cumpla los requisitos de la tarea con un menor coste y latencia.

Los beneficios no están garantizados; la evaluación con datos no utilizados te ayuda a comparar el modelo ajustado con tu modelo de referencia. El ajuste detallado agrega costos de entrenamiento y hospedaje y no reemplaza la recuperación de información actualizada ni los controles de seguridad de nivel de aplicación.

Elige tu enfoque de entrenamiento

Microsoft Foundry proporciona dos enfoques de entrenamiento. Ajuste administrado ejecuta un trabajo de entrenamiento a partir de tus datos y configuraciones. El entrenamiento interactivo (versión preliminar) le permite controlar los pasos de entrenamiento en Python.

Ambos usan la infraestructura de entrenamiento administrada por Foundry; no es necesario aprovisionar GPU de entrenamiento.

Los requisitos del modelo pueden restringir esta opción. Un modelo admitido para un enfoque, método o modalidad no se admite automáticamente para otro. La compatibilidad con las recetas del libro de recetas tampoco garantiza la disponibilidad del servicio. Compruebe la tabla de modelos admitidos a continuación para ver las combinaciones disponibles.

Métodos de personalización

Los métodos de personalización determinan cómo un modelo aprende de los datos de entrenamiento o los comentarios, como respuestas deseadas, preferencias o recompensas.

Los métodos predefinidos de esta tabla solo se aplican al ajuste fino administrado. El entrenamiento interactivo expone primitivos de entrenamiento para crear flujos de trabajo de entrenamiento personalizados.

Tipos de entrenamiento

Los tipos de entrenamiento definen dónde se ejecutan los entrenamientos y cómo se aplican las garantías de capacidad, precios y servicio. Son independientes de los tipos de implementación, que determinan cómo se sirve un modelo entrenado.

Opciones de implementación

Foundry ofrece tres opciones de implementación con diferente infraestructura de servicio y modelos de facturación.

• Serverless: Foundry hospeda el modelo optimizado y administra la infraestructura de servicio.
• Proceso administrada (versión preliminar): La capacidad de GPU dedicada ejecuta un modelo base adecuado con uno o más adaptadores LoRA compatibles.
• Fireworks en Foundry (versión preliminar): El Integration Runtime de Fireworks utiliza un adaptador integrado en una copia con todos los pesos del modelo base.

Serverless y Fireworks ofrecen diferentes tipos de despliegue, que determinan la geografía de procesamiento, la capacidad y el modelo de facturación. La disponibilidad depende del modelo, la opción de implementación y el artefacto.

Modelos compatibles

Los requisitos pueden requerir un modelo específico o un enfoque de entrenamiento. Use la tabla para comprobar qué combinaciones admiten el método de personalización, el tipo de entrenamiento y la opción de implementación.

En el caso de las implementaciones compatibles sin servidor, Global Standard, Data Zone Standard y Developer están disponibles a menos que se indique una leyenda de lo contrario. Compruebe Las regiones de implementación estándar y las regiones de implementación de rendimiento aprovisionado para esos tipos de implementación.

Leyenda

• ¹ Solo se admite el tipo de implementación de rendimiento aprovisionado.
• ² Solo se admite el tipo de implementación estándar global.
• ³ El ajuste fino de refuerzo de GPT-5 requiere una invitación. Póngase en contacto con su equipo de cuentas de Microsoft para inscribirse.
• ⁴ Solo se admite el tipo de implementación estándar. Consulte Regiones de implementación estándar.
• ⁵ No se admite el tipo de implementación de desarrollador.

Regiones de entrenamiento globales admitidas

En la tabla se enumeran las regiones del proyecto Foundry necesarias para usar el ajuste fino administrado global y el entrenamiento interactivo (versión preliminar). Elija una región compatible con el modelo y el enfoque de entrenamiento, incluidas las restricciones siguientes. El entrenamiento estándar y el de la zona de datos cuentan con soporte regional independiente.

• ¹ No se admite la optimización administrada para Qwen3.6-35B-A3B, Qwen3.8-27B, Muse-Glimmer-30B y gpt-oss-120b en esta región.
• ² El ajuste fino de Vision no es compatible en Japón Oriental.
• ³ El ajuste fino administrado para gpt-4.1-nano no es compatible en el Centro de Polonia.
• ⁴ Norte de Emiratos Árabes Unidos admite el ajuste fino administrado global solo para Qwen3.6-35B-A3B, Qwen3.8-27B, Muse-Glimmer-30B y gpt-oss-120b.

Regiones de implementación estándar admitidas

Solo los modelos siguientes admiten implementaciones estándar sin servidor. Compruebe la disponibilidad regional en la tabla.

Regiones de implementación con rendimiento aprovisionado compatibles

Solo los modelos siguientes admiten implementaciones de rendimiento aprovisionado sin servidor, en las regiones enumeradas.

Desafíos y limitaciones

El ajuste fino es un proceso de ingeniería iterativo, no una mejora garantizada.

Pasos siguientes

Comience con la guía para su enfoque de entrenamiento y, a continuación, implemente y evalúe el modelo optimizado.

• Personalice un modelo con ajuste fino supervisado.
• Personalice un modelo con optimización de preferencias directas.
• Personalice un modelo con ajuste fino con aprendizaje por refuerzo.
• Empieza con el entrenamiento interactivo.
• Personaliza un modelo premium de inteligencia artificial sanitaria.
• Despliega modelos ajustados.
• Ejecute evaluaciones desde el portal de Foundry.
• Explora ejemplos de ajuste fino en GitHub.